Evaluación de Modelos de Aprendizaje Automático para la Predicción de Material Particulado Bajo Escenarios de Cambio Climático en las Capitales Brasileñas
Autores: Bonifácio, Alicia da Silva; Tavella, Ronan Adler; Brum, Rodrigo de Lima; Silveira, Gustavo de Oliveira; Fernandes, Ronabson Cardoso; Scursone, Gabriel Fuscald; Machado, Ricardo Arend; Adamatti, Diana Francisca; da Silva Júnior, Flavio Manoel Rodrigues
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Evaluación de Modelos de Aprendizaje Automático para la Predicción de Material Particulado Bajo Escenarios de Cambio Climático en las Capitales Brasileñas
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Contaminación del aire
Material particulado
Algoritmos de aprendizaje automático
Ciudades brasileñas
Escenarios de cambio climático
Variables meteorológicas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
La contaminación del aire, particularmente las partículas en suspensión (PM, PM y PM), representa un riesgo significativo para la salud ambiental a nivel mundial. Este estudio evalúa el rendimiento predictivo de tres algoritmos de aprendizaje automático: Máquina de Vectores de Soporte (SVM), K-Vecinos Más Cercanos (KNN) y Bosque Aleatorio (RF), para pronosticar las concentraciones de partículas en suspensión en cuatro ciudades brasileñas (Porto Alegre, Recife, Goiânia y Belém), que comparten características demográficas y de urbanización similares, pero difieren en condiciones geográficas y climáticas. Utilizando datos del Servicio de Monitoreo de la Atmósfera de Copernicus, se modelaron las concentraciones diarias de PM, PM y PM en función de variables meteorológicas, incluyendo la temperatura del aire, la humedad relativa, la velocidad del viento, la presión atmosférica y la precipitación acumulada. Los modelos se probaron bajo dos escenarios de cambio climático (aumentos de temperatura de +2 gradosC y +4 gradosC). Los resultados indican que RF superó consistentemente a los otros modelos, logrando valores bajos de RMSE, alrededor de 0.3 ug/m, en todas las ciudades, independientemente de sus diferencias geográficas y climáticas. KNN mostró un rendimiento estable bajo aumentos de temperatura moderados (+2 gradosC) pero presentó errores más altos bajo un calentamiento más extremo, mientras que SVM demostró una mayor sensibilidad a los cambios de temperatura, lo que llevó a una mayor variabilidad en contextos bivariantes. Sin embargo, en contextos multivariantes, SVM se ajustó mejor, mejorando su rendimiento predictivo al tener en cuenta la influencia combinada de múltiples variables meteorológicas. Estos hallazgos subrayan la importancia de seleccionar modelos de aprendizaje automático adecuados, siendo RF el enfoque más robusto para la predicción de partículas en suspensión en diversos contextos ambientales. Este estudio contribuye con valiosos conocimientos para el desarrollo de estrategias de gestión de la calidad del aire específicas para cada región frente al cambio climático.
Descripción
La contaminación del aire, particularmente las partículas en suspensión (PM, PM y PM), representa un riesgo significativo para la salud ambiental a nivel mundial. Este estudio evalúa el rendimiento predictivo de tres algoritmos de aprendizaje automático: Máquina de Vectores de Soporte (SVM), K-Vecinos Más Cercanos (KNN) y Bosque Aleatorio (RF), para pronosticar las concentraciones de partículas en suspensión en cuatro ciudades brasileñas (Porto Alegre, Recife, Goiânia y Belém), que comparten características demográficas y de urbanización similares, pero difieren en condiciones geográficas y climáticas. Utilizando datos del Servicio de Monitoreo de la Atmósfera de Copernicus, se modelaron las concentraciones diarias de PM, PM y PM en función de variables meteorológicas, incluyendo la temperatura del aire, la humedad relativa, la velocidad del viento, la presión atmosférica y la precipitación acumulada. Los modelos se probaron bajo dos escenarios de cambio climático (aumentos de temperatura de +2 gradosC y +4 gradosC). Los resultados indican que RF superó consistentemente a los otros modelos, logrando valores bajos de RMSE, alrededor de 0.3 ug/m, en todas las ciudades, independientemente de sus diferencias geográficas y climáticas. KNN mostró un rendimiento estable bajo aumentos de temperatura moderados (+2 gradosC) pero presentó errores más altos bajo un calentamiento más extremo, mientras que SVM demostró una mayor sensibilidad a los cambios de temperatura, lo que llevó a una mayor variabilidad en contextos bivariantes. Sin embargo, en contextos multivariantes, SVM se ajustó mejor, mejorando su rendimiento predictivo al tener en cuenta la influencia combinada de múltiples variables meteorológicas. Estos hallazgos subrayan la importancia de seleccionar modelos de aprendizaje automático adecuados, siendo RF el enfoque más robusto para la predicción de partículas en suspensión en diversos contextos ambientales. Este estudio contribuye con valiosos conocimientos para el desarrollo de estrategias de gestión de la calidad del aire específicas para cada región frente al cambio climático.